Analisis Deskriptif Analisis Komponen Utama

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini berasal dari data sekunder dengan jenis data bulanan mulai tahun 2004 sampai dengan tahun 2011 bulan September. Data yang dikumpulkan berupa data jasa pelayanan pelabuhan, yaitu jasa labuh, jasa tambat, jasa air kapal, jasa dermaga, jasa penumpukan, jasa listrik, jasa air umum, dan pendapatan Pelabuhan Sunda Kelapa. Sumber data diperoleh dari publikasi Sistem Informasi Operasional Pelabuhan Simoppel PT. Persero Pelabuhan Indonesia II Cabang Sunda Kelapa.

3.2 Metode Analisis

Metode analisis yang digunakan dalam penelitian ini terdiri dari analisis deskriptif, analisis komponen utama, analisis faktor, dan analisis regresi linier berganda dari faktor-faktor yang terbentuk. Pengolahan data pada penelitian ini dilakukan dengan menggunakan paket program komputer yaitu Microsoft Excel 2010 dan SPSS 19.0 for windows.

3.2.1. Analisis Deskriptif

Analisis deskriptif digunakan untuk mendapat gambaran dan penjelasan mengenai perkembangan jasa labuh, jasa tambat, jasa air kapal, jasa dermaga, jasa penumpukan, jasa listrik, jasa air umum, dan pendapatan Pelabuhan Sunda Kelapa. Pada tahapan ini pembahasan dilakukan dengan mengamati data yang tersedia berdasarkan kondisi dan fenomena yang terjadi di Pelabuhan Sunda Kelapa dalam periode pengamatan tahun 2004-2011, disertai beberapa argumen untuk menjelaskan fenomena yang ada. Analisis ini dilakukan melalui analisis grafik yang berisi data-data yang telah dikumpulkan.

3.2.2. Analisis Komponen Utama

Penelitian dengan menggunakan banyak variabel sulit untuk dapat langsung menarik kesimpulan. Untuk menganalisa dengan cara yang lebih mudah tanpa mengurangi atau menghilangkan informasi yang berharga dari data yang diperoleh, maka digunakan analisis komponen utama. Metode ini ditemukan oleh Pearson 1901 yang kemudian dikembangkan oleh Hotteling 1993. Menurut Widarjono 2010 analisis komponen utama merupakan teknik analisis statistik untuk mentransformasi variabel-variabel asli yang masih saling berkorelasi satu dengan yang lain menjadi satu set variabel baru yang tidak berkorelasi lagi. Variabel-variabel baru itu disebut sebagai komponen utama yang merupakan kombinasi linier dari variabel-variabel asli. Keragaman total adalah: Var = λ 1 + λ 2 + … + λ p dimana λ 1 + λ 2 + … + λ p adalah akar ciri komponen utama. Besarnya proporsi dari varian total populasi yang dapat diterangkan oleh komponen utama ke-j adalah: Proporsi j = � λ + λ + … + λp × 100 ; j = 1,2,…,p sehingga nilai proporsi dari varian total yang dapat diterapkan oleh komponen utama secara bersama-sama adalah semaksimal mungkin dengan meminimalisasi informasi yang hilang. Meskipun jumlah komponen utama berkurang dari variabel asal tetapi informasi yang diberikan tidak berubah. Menurut Widarjono 2010, pemilihan komponen utama yang digunakan adalah jika nilai akar cirinya lebih dari 1 λ j 1. Jika ukuran dari variabel asal tidak sama, maka setiap nilai pengamatan ditransformasikan ke nilai baku Z distandardisasi. Langkah selanjutnya dalam analisis ini adalah melakukan pengujian terhadap matriks korelasi yang digunakan untuk melihat keeratan hubungan antara variabel satu dengan yang lainnya. Ada dua macam pengujian yang dapat dilakukan terhadap matriks korelasi, yaitu: a. Uji Bartlett Jika sebagian besar dari koefisien korelasi kurang 0,5 maka dilakukan uji Bartlett. Uji tersebut digunakan untuk melihat apakah matriks uji korelasinya bukan merupakan matriks identitas. Urutan pengujiannya sebagai berikut: 1. Hipotesis H : matriks korelasi merupakan matriks identitas H 1 : matriks korelasi bukan merupakan matriks identitas 2. Statistik Uji � = � − 1 − 2 � + 5 6 � ��| | dimana: N = jumlah observasi p = jumlah variabel | |= determinan matriks korelasi 3. Keputusan Pengujian Bartlett akan menolak H jika nilai � � � Widarjono, 2010 b. Uji Kaiser Meyer Olkin Syarat utama dari analisis faktor adalah terdapatnya hubungan linier antara variabel-variabel yang akan dianalisis. Selanjutnya untuk mengetahui apakah data layak dianalisis dengan analisis faktor digunakan nilai statistik Kaiser Mayer Olkin KMO untuk mengukur kecukupan samplingnya. Adapun formula untuk menghitung KMO sebagai berikut: = ∑ ∑ = ∑ ∑ +∑ ∑ dimana: r ij = koefisien korelasi a ij = koefisien korelasi parsial Nilai KMO yang kecil mengindikasikan bahwa penggunaan analisis faktor harus dipertimbangkan kembali, karena korelasi antar variabel tidak dapat diterangkan oleh variabel lain. Widarjono 2010 menetapkan karateristik pengukuran nilai KMO sebesar: 0,90 KMO ≤ 1,00 data sangat baik untuk analisis faktor 0,80 KMO ≤ 0,90 data baik untuk analisis faktor 0,70 KMO ≤ 0,80 data agak baik untuk analisis faktor 0,60 KMO ≤ 0,70 data lebih dari cukup untuk analisis faktor 0,50 KMO ≤ 0,60 data cukup untuk analisis faktor KMO ≤ 0,50 data tidak layak untuk analisis faktor

3.2.3. Analisis Faktor